हाल ही में, परिषद एक और अधिक आसान के विकास गहरी सीखने स्वत: अनुकूलन तकनीकों की मान्यता सटीकता में सुधार करने की घोषणा की।
जब अतीत गहराई से अध्ययन, यह तंत्रिका नेटवर्क संरचना (नोट 1) के आधार पर मुश्किल है निकाला जाता है, यह नेटवर्क भर में अनुकूलित है नहीं सीखने, और इसलिए अपनी मान्यता के लिए पूर्ण रूप से नहीं दे सकता। प्रौद्योगिकी के विकास, स्वचालित रूप से उनकी संरचना के आधार पर अनुकूलित कर सकते हैं तंत्रिका नेटवर्क सीखने प्रगति, यह आसान से कभी पहचान और अधिक सटीक प्राप्त करने के लिए बना रही है।
इस तकनीक के उद्भव ने छवि मान्यता और आवाज पहचान जैसे विभिन्न क्षेत्रों में पहचान की सटीकता को और सुधारना संभव बना दिया है। उदाहरण के लिए, पहचान और व्यवहार विश्लेषण जैसे वीडियो निगरानी की मान्यता सटीकता और बुनियादी ढांचे आपदाओं, दुर्घटनाओं और आपदाओं का स्वत: पता लगाने के लिए कार्य की दक्षता की जांच करें।
सबसे पहले, पृष्ठभूमि
हाल के वर्षों में छलांग। प्रगति की गहरी सीखने छवि मान्यता, आवाज की पहचान, आदि की एक विस्तृत क्षेत्र में लागू किया गया है तंत्रिका नेटवर्क की गहरी संरचना की गहराई का उपयोग करने, उच्च सटीकता प्राप्त करने के लिए पूर्व तैयार डेटा सीखने सीखना चाहिए। हालांकि, अगर डेटा जरूरत से ज्यादा पता चला है, एक घटना 'पर-लर्निंग (नोट 2)' दिखाई देता है, जो केवल सही ढंग से पहचाना जा सकता है डेटा सीखा है, जबकि सीखने सटीकता की पहचान के लिए डेटा कमी आई है। क्रम में से बचने के लिए किया जाएगा इस होता है हम उपयोग करने के लिए 'नियमितीकरण (नोट 3)' तकनीकी समायोजन की जरूरत है।
इसकी जटिल संरचना की वजह से तंत्रिका नेटवर्क सीखने के बाद से, यह केवल एक ही नियमितीकरण तकनीक का उपयोग पूरे नेटवर्क के लिए पिछले कर सकते हैं। वहाँ परिणाम नेटवर्क सीखने के कुछ अत्यधिक परतों किया गया है, कुछ ठहराव और अन्य मुद्दों सीखने, पूरी तरह से करने के लिए यह कठिन बना मूल मान्यता प्रदर्शन खेलते हैं। इसके अलावा, कारण मैन्युअल बेहद मुश्किल प्रत्येक परत की प्रगति को समायोजित करने, इसलिए परत द्वारा स्वत: समायोजन परत के लिए एक उच्च सीखने की अवस्था आवाज की जरूरत है।
प्रौद्योगिकी के विकास प्रगति सीखने के आधार पर तंत्रिका नेटवर्क की संरचना, परत दर परत भविष्यवाणी है, और प्रगति स्वचालित रूप से नियमितीकरण तकनीक के प्रत्येक परत के लिए कॉन्फ़िगर किया गया है। इस तकनीक के साथ, पूरे नेटवर्क सीखने और मान्यता त्रुटि दर अनुकूलित है के बारे में कम किया जा सकता 20%, मान्यता सटीकता में सुधार.
तंत्रिका नेटवर्क नियमितकरण तकनीक की 'आकृति' परत स्वचालित रूप से योजनाबद्ध सेट
दूसरा, नई प्रौद्योगिकियों के फायदे
1, स्वत: सीखने के अनुकूलन के तंत्रिका नेटवर्क संरचना के अनुसार
तंत्रिका नेटवर्क के आधार पर संरचना, हम सीखने प्रगति से प्रत्येक की उम्मीद है, और स्वचालित रूप से नियमित होने की परतों का कार्य प्रगति पर परत दर परत उचित सेट करता है। तदनुसार, पूरे नेटवर्क की शिक्षा प्रगति पिछले सीखने और सीखने की अत्यधिक परतों को संबोधित करने के अनुकूलित किया गया है मान्यता प्रयोगों इस तकनीक का इस्तेमाल डिजिटल डाटा लिखावट में ठहराव की समस्याओं, मान्यता त्रुटि दर के बारे में 20% तक कम हो जाता है, यह पहचान की सटीकता में उल्लेखनीय सुधार किया गया है।
मान्यता त्रुटि दर की शिक्षा डेटा के परिवर्तन राशि के संबंध में 'चित्रा'
2, एक ही पारंपरिक गणना के तहत, आसान परिशुद्धता
इस तकनीक को केवल पारंपरिक शिक्षा के एक ही राशि के साथ एक बार तंत्रिका नेटवर्क सीखने से पहले, उच्च परिशुद्धता आसानी से गणना की जा सकती किया जाता है।
एनईसी समूह, एक वैश्विक स्तर पर सामाजिक समाधान को बढ़ावा देने के मन, सुरक्षित, कुशल और न्यायसंगत सामाजिक मूल्य, उन्नत प्रौद्योगिकी और ज्ञान आईसीटी एकीकरण की शांति प्रदान करने के लिए प्रतिबद्ध है, योगदान करने के लिए उज्जवल, अधिक रंगीन और कुशल समाज को प्राप्त करने के ।
(नोट 1) तंत्रिका नेटवर्क: कृत्रिम तंत्रिका कोशिकाओं (न्यूरॉन्स) तत्संबंधी की न्यूरल नेटवर्क।
(नोट 2) लर्निंग के माध्यम से: किसी दिए गए अध्ययन पर डेटा, अशिक्षित का डेटा
मान्यता सटीकता घटना की कमी हुई।
(नोट 3) नियमितीकरण: मॉडल की जटिलता को मानने के लिए, पर सीखने विधि को दबाने के लिए।
सबसे शांत नई मीडिया प्रौद्योगिकी जानकारी
स्वीप पुरस्कार जीता
समीक्षा
* गैर-भाषी उपयोगकर्ताओं पोस्टर कर रहे हैं, इस साइट लिया जा रहा खिलाफ किसी भी दुकान, व्यापारी, गार्ड की सिफारिश टिप्पणी अनुभाग में नहीं है!
